- 2018-StyleGAN v1 / v2 / v3
- Paper 信息
- Summary
- StyleGAN 模型总结
- 算力消耗
- 一些想法
- 作者信息
- Paper Reading - 2018-StyleGAN1
- 问题定义
- 相关工作
- 动机及思路
- 具体的解决方案
- Progressive Growing
- Noise Mapping Network
- Adaptive Instance Normalization (AdaIN)
- Style Mixing
- 重要结构汇总
- 实验结果
- Paper Reading - 2019-StyleGAN2
- 动机及思路
- 实验结果
- Paper Reading - 2021-StyleGAN3
- 相关工作
- 问题定义
- 动机及思路
- 网络结构的具体改进
- 实验结果
2018-StyleGAN v1 / v2 / v3
2018-StyleGAN v1 / v2 / v3
2月28日修改
Paper 信息
3 篇工作都是 nvidia 的。一作都是 Tero Karras，通讯作者都是 Timo Aila。
时间 | 模型名称 | paper | 被引用次数 | 作者 |
2018/12 | StyleGAN1 | A Style-Based Generator Architecture for Generative Adversarial Networks | 6678 | Tero Karras Timo Aila |
2019/12 | StyleGAN2 | Analyzing and Improving the Image Quality of StyleGAN | 3436 | Tero Karras Timo Aila |
2021/06 | StyleGAN3 | Alias-Free Generative Adversarial Networks | 629 | Tero Karras Timo Aila NeurIPS 2021 |
Summary
StyleGAN 模型总结
GAN 时代，落地的转折点。
Diffusion Model 系列也重度吸取了这类经验（2021 Diffusion Beat GANs 文章）。
模型 | 点评 | 重点内容 |
1. Progressive Growing 2. controllable generator（style mixing） 附件不支持打印 | ||